Master in Data Mining
and Business Analytics
Diplomados
Online
.
com
Formando profesionales capaces de manejar las técnicas
avanzadas de análisis de datos y la estadística aplicada, así como
su implementación en diferentes tecnologías y su implicación en el
análisis de datos
Formación a tu alcance
DiplomadosOnline
.
com
Nuestros diplomados tienen como objeto ampliar, actualizar y fortalecer las competencias prácticas y especializadas en la formación de cada estudiante.
“DiplomadosOnline.com, comprometidos con el desarrollo de tu perfil profesional”.
DiplomadosOnline.com fundamenta su estrategia académica en el novedoso método de Píldoras de Conocimiento (Knowledge Pills) y clases en línea centradas
en el estudiante. “DiplomadosOnline.com, formación a tu alcance”. Nuestros facilitadores utilizan diferentes estrategias para el desarrollo del pensamiento crítico, promoviendo experiencias de aprendizaje. El seguimiento de
cada estudiante es constante, con el objeto de acompañar y sostener el éxito del proceso. “DiplomadosOnline.com, un método para aprender haciendo”.
Fundamentación
A nivel mundial, a diario se generan 2.5 trillones de bytes de información; tanto es así que el 90% de los datos en el mundo se han creado sólo en los últimos 2 años. Esa información proviene de todos lados: sensores que reco-gen información climática, publicaciones en las redes sociales, imáreco-genes y vídeos digitales, registros de compra y transacciones y señales de GPS de los móviles, entre otros.
En 2020, habrá al menos 26 billones de dispositivos inteligentes en hogares y oficinas. Ellos proporcionarán datos segundo a segundo y generarán miles de terabytes al día, pasando de los 4,4 Zettabytes de la actualidad a más de 44. Este gran volumen de información se conoce como “Big Data”, y es a partir de su nacimiento que se hace necesaria la formación de un profesional que lo conozca y aproveche: el Científico de Datos.
La revista Harvard Business Review publicó que: “El trabajo del científico de datos es el más atractivo del siglo 21. Estos profesionales altamente codi-ciados combinan el conocimiento del negocio, las tecnologías de Big Data, y las habilidades de analítica avanzada para mejorar la toma de decisiones y el rendimiento de cualquier organización. Los científicos de datos descubren información procesable que impulsa la innovación”.
El avance de las nuevas tecnologías y el desarrollo del Big Data requieren de profesionales con habilidades en numerosos campos: informática, matemáti-cas, estadística y negocios. El programa Master in Data Mining and Business Analytics imparte y desarrolla los conocimientos y las habilidades necesarias para manejar las técnicas avanzadas de análisis de datos, la estadística apli-cada y su implementación en diferentes tecnologías (R, WEKA, Python); así como una introducción al Big Data y su implicación en el análisis de datos, utilizando las técnicas más avanzadas de Machine Learning y Deep Learning. Acelere su carrera y domine las áreas clave necesarias para el éxito en Data Mining y Business Analytics. Conviértase en un profesional internacional que pueda impulsar la innovación en cualquier organización.
Duración: 6 Trimestres / 2 Años
TRIMESTRE I
- DIPLOMADO EN ANÁLISIS ESTADÍSTICO CRÉDITOS
Fundamentos del Análisis descriptivo y Teoría de Probabilidad 2
Fundamentos de Estadísticas Inferencial y Análisis Lineal de Datos 2
Fundamentos de Análisis Mulitivariado 2 - DIPLOMADO EN BUSINESS INTELLIGENCE
Fundamentos de Data Management 2
Fundamentos de Business Intelligence: Tecnologías, Metodologías y Arquitecturas 2
Desarrollo de Soluciones de Business Intelligence 2 TALLER DE SUFICIENCIA DEL IDIOMA INGLES I S/N TRIMESTRE II
- DIPLOMADO EN DATA MINING
Fundamentos de Data Mining 2 Fundamentos de los Métodos Descriptivos 2
Fundamentos de los Métodos Prescriptivos 2
- DIPLOMADO ANÁLITICA AVANZADA
Calibración y Selección de Métodos en Data Mining 2 Análisis de Series de Tiempo y Forecasting 2
Machine Learning 2
TALLER DEL TRABAJO DE GRADO 2 TALLER DE SUFICIENCIA DEL IDIOMA INGLES II S/N TRIMESTRE III
- DIPLOMADO EN BIG DATA
Fundamentos de Big Data y proyecto Hadoop 2
Fundamentos de la programación MapReduce 2
Fundamentos de las Bases de datos NoSQL 2
- DIPLOMADO ELECTIVO (*) 6
TRABAJO DE GRADO / DEFENSA 2
TOTAL CRÉDITOS 40
(*) Materias electivas: los estudiantes podrán elegir cualquiera de los siguientes programas ofertados por DiplomadosOnline.com y cursarlo como electiva.
Taller Trabajo Grado –> Inscripción para el Trabajo de Grado
Para obtener el título de “Master in Data Mining and Business Analytics”, debe presentar y defender el Trabajo de Grado. Antes de ello, deberá cursar la asignatura Taller de Trabajo de Grado (TTG) y luego inscribir el Trabajo de Grado.
MASTER IN DATA MINING AND BUSINESS ANALYTICS
• Auditoria de Sistemas
• Desarrollo de Soluciones Web • Desarrollo de Soluciones Móviles • Diseño y Desarrollo de Bases de Datos • Gestión de Procesos de Negocio (BPM)
• Gestión de Proyectos de TI
• Gestión de Relaciones con el Cliente (CRM) • Indicadores de Gestión Empresarial
• Marketing Digital y Redes Sociales
Fundamentos del Análisis Estadistico
Tema 1: Introducción a la programación estadística con R Tema 2: Análisis Descriptivos
Tema 3: Teoría de probabilidad
Módulo 1
DIPLOMADO EN ANÁLISIS ESTADÍSTICO
Fundamentos de Estadísticas Inferencial, Análisis Lineal de Datos
Tema 4: Fundamentos de estadistica inferencial
Tema 5: Análisis lineal de datos
Módulo 2
Tema 6: Análisis multivariado
ü Conceptos de métodos multivariados estadísticos. ü Análisis Factorial
ü Análisis en componentes principales ü Análisis de correspondencias
ü Análisis de conglomerados ü Análisis discriminante
Desarrollo de
Soluciones
Analíticas
Tema 6 P Presentación del Caso de Estudio P Fase I: Evaluación y definición del proyectoP Fase II: Evaluación
de análisis y requerimientos
P Fase III: Diseño
arquitectónico y dimensional
P Fase IV: Desarrollo de
BD, ETL y Cubos P Fase V: Pruebas y despliegue
Módulo 3
Fundamentos de
la Inteligencia de
Negocios (BI)
Tema 3 P Definiciones de BI P Historia de BI P Usuarios de BI P Componentes de un sistema BI P Aportes de BI Tema 4 P Plataforma de BI P Características BI P Componentes BI P Arquitectura BI Tema 5 P Metodología para el desarrollo de sistemas de BI P Enfoque top-down P Enfoque bottom-up P Kimball Lifecycle (KLC)Módulo 2
Fundamentos
del Modelado de
Bases de Datos
Relacionales (BDR)
Tema 1 P Los sistemas de información en las organizaciones P Data Management Tema 2 P Fundamentos de Bases de datos relacionales (BDR) P Patrones para el desarrollo de BDR P Diseño y modelado de BDR P Construcción de BDR P Manipulación de BDR P Fundamentos de lenguaje de estructurado de consulta (SQL) P DDL P DMLMódulo 1
BUSINNES INTELLIGENCE
Fundamentos de
Minería de Datos
Tema 1 ü Definiciones básicas ü Áreas de aplicación y ejemplos ü Metodologías y estándares ü Proceso KDD ü Metodología CRISP-DM ü Características de los datos ü Fuentes de datos ü Caja de herramientas Tema 2 ü Introducción al lenguaje R ü Generación de números aleatorios ü Programación vectorial e indexación lógica ü Familia de funciones applay ü Computación paralela y distribuidaü Visualización de los datos ü Conexión con bases de
datos y otras fuentes
ü Persistencia de datos y modelos ü Estructuras de datos grandes ü Selección de atributos ü Preprocesamiento y limpieza ü Problema de la dimensionalidad ü Extracción de características
Fundamentos
de los Métodos
Descriptivos
Tema 3 P Análisis exploratorio de datos P Mapa de correlaciones P Modelos estadísticos P Bondad de ajuste P Análisis de Componentes Principales (PCA) P Plano principalP Relación entre variables P Calidad de la representación P Reducción de la dimensionalidad con el PCA. P Identificación de conglomerados P La Inercia y el teorema de Fisher P Cálculo de la distancia P Estimación del número
de grupos
P Arboles de Clasificación
Jerárquica
P Método de nubes
dinámicas con K-medias.
P Paralelizando el método de K-medias
Fundamentos
de los Métodos
Predictivos
Tema 4 P Definiciones de clasificación P Problema de separabilidadP Uso de funciones Kernel P Entrenamiento y testing P Medidas de calidad P Eficiencia P Cálculo de errores P Matriz de confusión P Curvas ROC Tema 5 P Métodos de clasificación. P Análisis discriminante P Análisis discriminante cuadrático P Método Bayesiano ingenuo P Regresión logística P Método de K-vecinos más cercanos P Máquinas de Soporte Vectorial (SVM) P Arboles de decisión P Bosques aleatorios P Redes neuronales P Evaluación de los métodos
P Problemas del uso
de conjuntos de
entrenamiento y testing
P Sobreajuste o
especialización
P Validación cruzada
Módulo 1
Módulo 2
Módulo 3
DIPLOMADO EN ANÁLITICA AVANZADA
Análisis de Series de Tiempo
• Justificación • Definición • Ejemplos • Pruebas • Componentes
Módulo 2
ü Despliegue visual de series de tiempo ü Errores, precisión y sesgo del Forecasting ü Usando líneas de tendencias en forecasting ü Modelado de crecimiento exponencial y tasa
compuesta de crecimiento anual ( CAGR )
ü Estacionalidad y método de medias móviles ü Forecasting con múltiples regresiones
Forecasting
Módulo 1
Aprendizaje no supervisado • Clustering • Análisis en • componentes principales • Método de K-Vecinos • Método de Bayes• Máquinas de soporte vectorial • Árboles de decisión • Bagging • Boosting • Redes neurales • Validación cruzada (cross validation) • Remuestreo (bootstrapping) • Calibración y selección de modelos
Calibración y Selección de Métodos en Minería de Datos
Módulo 3
• Regresión lineal con una variable • Álgebra Lineal
• Regresión lineal con múltiples variables • Regresión logística
• Regularización
• Redes Neuronales: Representación • Redes neuronales: Aprendizaje
• Consejos para la Aplicación de la máquina de aprendizaje • Diseño de Sistemas de Máquinas de Aprendizaje
• Máquinas de Soporte Vectorial • Aprendizaje no supervisado • Reducción de dimensionalidad • Detección de anomalías
• Sistemas de Recomendación • Máquina de aprendizaje de gran escala
MACHINE LEARNING
Aprendizaje SupervisadoFundamentos
de Big Data y el
proyecto Hadoop
Tema 1
ü Definiciones básicas ü Historia del Big Data ü Areas de aplicación ü Introducción al ü Proyecto Hadoop ü Almacenamento ü distribuido (HDFS) ü Procesamento ü distribuido ü (MapReduce) ü Arquitectura Hadoop ü El ecosistema ü Hadoop y las ü herraminetas de: ü Coordinación ü Integración ü Análisis ü Almacenamiento ü Cloud Computing
Fundamentos de
la Programación
MapReduce
Tema 2 P Fundamentos de la computación paralela y distribuida P El paradigma MapReduce P Algunos ejemplos básicos P Consultas y cruces de datos usando MapReduce P Implementación P de algorimos deanálisisde datos con MapReduce P Agrupamientos o clustering P Regresión lineal P Clasificación: P Regresión Logística P Vecinos más cercanos P Sistemas de P recomendación P Gerarquización con el P método PageRank P Fundamentos del Text-P Mining y el Web-Mining
Fundamentos del
P análisis de redes sociales
Fundamentos de
las Bases de datos
NoSQL
Tema 3
P Introducción a las
bases de datos NoSQL
P NoSQL o “no solo
SQL” P Fundamento P de las bases de datos orientadas a columnas P Tipos de bases de datos NoSQL P Tipo clave-valor P Orientadas a P documento P Bases de datos de P grafos P Fundamentos de P HBASE P Fundamentos de P MongoDB P Escalando bases de datos NoSQL en P plataformas Hadoop Formulación, diseño P y ejecución de un proyecto de Minería de Datos
Módulo 1
Módulo 2
Módulo 3
Dirigido a
Profesionales que desarrollan su actividad en:
• Business Intelligence. • Dirección General.
• Planificación y estrategia. • IT e informática.
• Áreas funcionales: marketing, ventas, finanzas, operaciones, RRHH.
• Consultoras de negocio, procesos, otros afines.
• Economía Digital. • Estadísticas. • Econometría.
• Experto en Análisis de Datos.
• Expertos en Investigación Social y de Mercados
• Otros afines.
Objetivo
El Master in Data Mining and Business Analytics tiene como objetivo principal formar profesionales capaces de concebir, diseñar, gestionar y liderar proyectos en el área de Business Analytics. Por tal motivo, al finalizar el Master, los participantes estarán en capacidad de: • Desarrollar la función del Business Intelligence.
• Manejar y gestionar datos: Datawarehouse y Big Data.
• Ejecutar el análisis estratégico y la planificación estratégica.
• Generar Cuadros de Mando Integral (BSC) y reporting.
• Gestionar, de forma técnica, los proyectos y equipos de trabajo en Business Intelligence y Big Data. • Diseñar campañas de Marketing Digital, Social Media y Movilidad,
Requisitos
Para postularse a este programa, es necesario:
• Tener al menos un grado académico equivalente o mayor a la licenciatura en alguna de las siguientes áreas: Matemáticas; Administración y Dirección de Empresas; Comercio; Economía; Econometría; Estadística; Sociología; Análisis de Negocios; Marketing; Finanzas; Control de Gestión; RRHH; Detección y Mitigación del Fraude; otras afines. • Tener estudios o experiencia en Análisis de la Información.
• Consignar Currículum Vitae.
Algunas de las posiciones para las que se prepara en el área profesional son: • Analista de mercado. • Consultor de Negocios. • Consultor de Business Intelligence. • Gerente de mercadeo. • Director de marketing. • Director de Estudios cuantitativos en publicidad. • Analista de Datos. • Científico de datos. • Analista de negocio. • Investigador. • Marketing Analyst. • Analista de Venta. • Fidelización de clientes.
• Consultor de Business Analyst.
Profesores
José Maestre
Licenciado en Administración, Mención Informática. Especialista en Bases de Datos. Profesional con basta experiencia en las áreas de Tecnologías de la Información e Implementación y Diseño de Big Data para telecomunicaciones.Wilfredo Rangel
Magister Scientiarum en Ciencias de la Compu-tación, Universidad Central de Venezuela. Docente investigador, categoría Asistente, en Sistemas de Información, Escuela de Computación, Universi-dad Central de Venezuela.Richard Nieto
Licenciado en Economía. Contador. Vicepresidente de Finanzas, ESVENCA. Vicepresidente de Planificación, 100% Banco. Di-rector de Gestión Administrativa y Contable, Mi Casa Entidad de Ahorro y Préstamo. Especialista en planificación estratégica y desarrollo deIndicadores de Gestión Empresarial.
José Sosa
Licenciado en Computación, Universidad Central de Venezuela. Docente de Probabilidad y Estadística, Ciencia de Datos y Minería de datos, Universidad Central de Venezuela. Presidente del Centro Nacional de Tecnologías de Información (CNTI)Paul Quijada
Magíster Scientiarum en Modelos Aleatorios, Univer-sidad Central de Venezuela. Área de Investigación: Modelos de Espacio de Estados Multivariados con algoritmos de filtrado y suavizado de Kalman.Profesores
Eddre Peña
Magíster Scientiarum en Modelos Aleatorios,Universidad Central de Venezuela. Área de Investigación: Aprendizaje Estadístico con Máquinas de Soporte Vectorial.
